基于遗传算法的模糊系统研究

论文摘要

模糊系统是一种基于知识或规则的系统,它的核心大多是“if-then”规则所组成的知识库。模糊系统广泛应用于控制、信号处理、通信、集成电路、专家系统、医药、行为科学等领域。本文从方法论的角度提出了基于遗传算法的模糊系统研究方案,包括模糊分类,模糊建模,多目标优化,基于Agent的进化以及规则间交互影响的处理。论文的主要工作如下: 第一,将适当修改后的VISIT算法与遗传算法相结合,构造了一个有监督的模糊分类设计新方法,并提出了一个模糊专家系统来实现兼顾精度和可解释性的适应度函数。新模糊分类系统具有以下优点:（1）可解释性好,（2）有效的特征压缩,（3）与传统方法相当的识别精度。 第二,提出了用户友好的Sugeno型模糊建模新算法。Sugeno型模糊系统可以应用线性控制系统的分析方法来近似非线性系统的分析,其中所有参数的确定都由算法自动完成,而无需用户设定。并将新方法扩展到Mamdani型模糊系统的解决方案上。 第三,提出了一个多目标优化问题的新方法—递归多目标遗传算法（RIMOGA）。整个进化过程分为与目标数量相等的几个递归阶段,每个阶段多增加一个目标。每个阶段先用一个独立的群体进化新增的目标;该群体中性能较好的个体与上一阶段多目标进化的群体联合形成已增目标集的初始群体。相对于其它典型的多目标遗传算法,RIMOGA在相同时间内能找到更多且质量更好的解。 第四,提出了抽取模糊规则知识的Agent进化方法。每个行为Agent（BA）自主确定模糊集的数量和分布,并利用分级染色体结构和调整策略改进模糊系统的可解释性。在所获得的模糊集上使用Pittsburgh型方法抽取精度和可解释性兼具的模糊规

论文目录

• 第一章 绪论
• 1.1 论文研究的领域及背景
• 1.2 模糊系统的研究发展现状
• 1.3 论文的研究目的与研究内容
• 1.4 论文结构与创新点
• 第二章 模糊逻辑与模糊推理系统
• 2.1 模糊集合
• 2.2 “if-then”推理规则
• 2.3 常用的模糊推理方法
• 2.4 模糊推理系统设计
• 第三章 遗传算法的原理与方法
• 3.1 编码
• 3.2 选择
• 3.3 交叉
• 3.4 变异
• 3.5 适应度函数
• 3.6 控制参数选择
• 第四章 设计模糊分类器的进化方法
• 4.1 引言
• 4.2 模糊分类器的体系结构
• 4.3 由VISIT算法抽取模糊规则
• 4.4 通过进化算法抽取模糊规则
• 4.5 应用与实验评价
• 4.6 讨论及结论
• 第五章 从数据中自动构建基于GA的模糊系统
• 5.1 引言
• 5.2 模糊系统的结构
• 5.3 参数辨识
• 5.4 性能指标检验
• 5.5 实验
• 5.6 讨论与结论
• 5.7 结论
• 第六章 递归增量多目标遗传算法
• 6.1 引言
• 6.2 目标递归增量及其影响
• 6.3 RIMOGA
• 6.4 实验与结果
• 6.5 结论
• 第七章 抽取模糊规则知识的Agent进化方法
• 7.1 引言
• 7.2 模糊系统的可解释性
• 7.3 基于Agent的进化算法
• 7.4 实验结果
• 7.5 结论与展望
• 第八章 基于交互影响的模糊规则推理
• 8.1 引言
• 8.2 全局WFR推理
• 8.3 用非可加集合函数表示交互影响
• 8.4 学习非负非可加集合函数
• 8.5 实验
• 8.6 结论
• 第九章 总结与展望
• 9.1 总结
• 9.2 展望
• 参考文献
• 附录 攻读博士学位期间的科研工作和发表论文情况
• 后记